随着互联网的快速发展和普及,网络信息资源呈指数级增长。信息检索技术能够从海量文本中获取和用户需求相关的文本集,是构建搜索引擎等互联网应用的基石。文本排序是信息检索研究中的核心问题。近年来,基于预训练模型的文本排序方法取得了里程碑式的突破,成为目前信息检索领域的研究热点。然而,将预训练模型应用于长文本排序时存在以下两个方面的问题:（1）缺乏对比分析实验,不同类型的预训练模型编码器对长文本排序性能的影响尚不可知;（2）现有的方法都是基于交互的架构,在检索阶段的时间复杂度较高。针对这些问题,本文对面向长文本的预训练模型排序方法进行了系统性的研究。本文的研究内容主要包括以下几个方面:第一,对比分析了两类主要的长文本排序方法的性能。已有的长文本排序方法主要包括基于文档拆分的方法（S-Rank）和基于长文本预训练模型的方法（L-Rank）两类。现有的研究工作缺乏对预训练模型在长文本排序上的检索精度和运行性能的对比分析实验。S-Rank方法首先将文档拆分为段落,然后利用BERT等预训练模型对查询和段落进行编码,最后将编码信息进行聚合并计算文档得分。L-Rank方法使用Longformer等长文本预训练模型对查询和文档进行编码,并根据编码信息计算文档得分。本文在Robust04数据集上进行了对比实验,实验结果表明S-Rank方法优于L-Rank方法,并且基于ALBERT的方法优于基于其他预训练模型的方法。该研究为同领域的研究者们提供了一个重要的参考依据。第二,提出了一种基于表示的长文本排序方法（B-Rank）。虽然S-Rank和L-Rank都可以有效处理长文本,但是它们都是基于交互的架构,在检索阶段的时间复杂度较高,只能应用在信息检索中的重排阶段。本文在预训练模型的框架下构建了基于表示的长文本排序方法,通过预先计算文档的语义向量并存储为索引,实现了高效的检索。B-Rank首先把文档切分成固定长度的段落集合,然后使用BERT模型分别获取查询和段落的表示,最后通过聚合段落表示和聚合段落分数两种策略计算文档的得分。本文在Robust04数据集上进行了实验。实验结果表明:B-Rank可以达到和S-Rank、L-Rank相近的检索精度,同时在检索效率上快了将近两个数量级。B-Rank既可以应用在信息检索中的重排阶段,也可以应用在初次检索阶段。